Homebrew’ning yo‘naltirilgan AI ish jarayoni bilan matn va tasvir modellarini nozik sozlash

Homebrew nima qiladi

Homebrew til va tasvir modellarini nozik sozlash uchun yo‘naltiruvchi agentdir. U sizdan trening skriptlari va konfiguratsiyalarini qo‘lda yig‘ishni talab qilish o‘rniga, brewmaster bilan suhbatlashish imkonini beradi: bu sun’iy intellekt modeli loyihani dastlabki g‘oyadan boshlab ma’lumotlarni tayyorlash, o‘qitish, sinash, eksport qilish va nashr etishgacha boshqaradi.

Brewmaster Claude, OpenAI modeli, OpenRouter orqali foydalaniladigan model, mahalliy Ollama yoki LM Studio modeli yoxud OpenAI bilan mos boshqa server bo‘lishi mumkin. Yo‘riqnomalar siz tanlagan tajriba darajasiga moslashadi: Boshlovchi, Havaskor, Yaratuvchi yoki Ekspert.

Homebrew to‘liq ish jarayonida yordam berish uchun ishlab chiqilgan:

• Keng qamrovli model g‘oyasini aniq trening maqsadiga aylantirish.
• Mahalliy qurilmalarni aniqlash yoki SSH orqali masofaviy GPU serverini tayyorlash.
• Mos bazaviy model va trening usulini tanlash.
• Trening ma’lumotlarini topish, import qilish, tozalash, ko‘rib chiqish yoki yaratish.
• Modelga xos ko‘rsatmalar doirasida giperparametrlarni taklif qilish.
• Ajratilgan trening ishlarini ishga tushirish hamda loss, jarayon va taxminiy qolgan vaqtni ko‘rsatish.
• Natijani original bazaviy model bilan sinash.
• Adapter yoki birlashtirilgan modelni eksport qilish.
• Model kartasini yaratish va natijani Hugging Face’ga yuklash.

Homebrew pul sarflash, dasturiy ta’minot o‘rnatish, ma’lumotlarni tashqi provayderga yuborish yoki modelni nashr etishdan oldin tasdiq so‘raydi. Parollar, API kalitlari va tokenlar chat orqali uzatilmaydi.

Qo‘llab-quvvatlanadigan trening ish jarayonlari

Matn modellari

Homebrew ro‘yxatdagi model oilalarini, jumladan Qwen3, Qwen3.5 va Qwen’ga mos arxitekturalarni, Qwen3.5 MoE, Llama 3.1 dan 3.3 gacha, Gemma 3 va Gemma 4 ni qo‘llab-quvvatlaydi. Model va mavjud qurilmalarga qarab, trening LoRA, QLoRA yoki to‘liq nozik sozlash orqali bajarilishi mumkin.

Har bir matn treningi uchta maqsaddan biriga ega:

• SFT: Instruct modeliga xulq-atvor, uslub, javob formati yoki vositalardan foydalanish tartibini o‘rgatish uchun nazorat ostida nozik sozlash.
• CPT: Xom matn asosida davomiy oldindan o‘qitish; ko‘pincha bazaviy modelga muayyan soha yoki tilni o‘rgatish uchun ishlatiladi.
• DPO: Tanlangan va rad etilgan javoblardan foydalanib afzalliklarni sozlash.

Bu maqsadlarni zanjirlash mumkin. Keng tarqalgan rejimlarga oddiy SFT, CPT’dan keyin SFT va SFT’dan keyin DPO kiradi. LoRA bosqichlari zanjirlanganda, Homebrew keyingi bosqichni boshlashdan oldin har bir bosqichni boshlang‘ich og‘irliklariga birlashtiradi.

Tasvir modellari

Tasvirlarni o‘qitish uchun Homebrew Qwen-Image 2.1 uchun LoRA adapterlarini qo‘llab-quvvatlaydi. Bu adapterlar uslublar, qahramonlar yoki obyektlarga yo‘naltirilishi mumkin. Trening davomida Homebrew vizual taqqoslashni osonlashtirish uchun nol-qadamda va keyingi nazorat nuqtalarida belgilangan seed’lar yordamida dastlabki tasvirlarni render qilishi mumkin.

Homebrew’ni o‘rnatish

Boshqaruv qatlami o‘rnatilishi

Agar trening ijaraga olingan yoki masofaviy GPU serverida bajarilsa, mahalliy kompyuteringizga faqat yengil Homebrew o‘rnatilishi kerak:

pip install "homebrew-ai @ git+https://github.com/empero-org/homebrew-ai"

Yo‘naltiriladigan interfeysni quyidagicha ishga tushiring:

homebrew

Mahalliy GPU o‘rnatilishi

Agar kompyuterda NVIDIA GPU bo‘lsa va trening mahalliy ravishda bajarilsa, trening uchun qo‘shimcha komponentlarni o‘rnating:

pip install "homebrew-ai[train] @ git+https://github.com/empero-org/homebrew-ai"

O‘rnatish, provayder konfiguratsiyasi, Hugging Face tizimiga kirish va qurilmalarni quyidagicha tekshirishingiz mumkin:

homebrew doctor
homebrew hardware

Buning o‘rniga masofaviy trening serverini tekshirish uchun uning SSH buyrug‘ini uzating:

homebrew hardware --ssh "ssh user@example-server"

Yo‘naltiruvchi sun’iy intellektni sozlash

Homebrew ilk bor ishga tushganda qaysi sun’iy intellekt brewmaster vazifasini bajarishini so‘raydi. Shundan so‘ng kerakli API kalitini so‘raydi, uni cheklangan ruxsatlar bilan mahalliy saqlaydi, tajriba darajangizni so‘raydi va loyiha yaratadi.

Mavjud yo‘riqnoma turlari:

• Claude: README eng kuchli yo‘riqnomalar uchun ushbu variantni tavsiya qiladi.
• OpenAI: Vositalarni chaqirish imkoniyatiga ega chat modelidan foydalanadi.
• OpenRouter: Bitta API kaliti orqali bir nechta modellarga kirish imkonini beradi.
• Ollama yoki LM Studio: Mahalliy ishlaydi; yaxshi natijalar uchun loyiha kamida 14B parametrli va vositalarni chaqira oladigan modelni tavsiya qiladi.
• Custom: vLLM yoki llama.cpp kabi OpenAI bilan mos endpoint’ga ulanadi.

Yo‘naltiruvchi modelni keyinroq quyidagi buyruq orqali o‘zgartiring:

homebrew setup

Homebrew o‘z xatti-harakatini yo‘riqnomaga moslaydi. Kuchli modellar to‘liq vositalar to‘plamidan foydalanadi, kichikroq mahalliy modellar esa bosqichga xos vositalar va yanada tuzilmali yo‘riqnomalarni oladi. Mahalliy vositalarni chaqirish imkoniyatiga ega bo‘lmagan modellar Homebrew’ning matn protokolidan avtomatik foydalanishi mumkin.

Birinchi nozik sozlash loyihangizni yarating

Siz joriy katalogda homebrew buyrug‘i bilan boshlashingiz yoki bevosita nomlangan loyiha yaratishingiz mumkin:

homebrew new my-pirate-chemist
cd my-pirate-chemist
homebrew

Kutilayotgan natijani oddiy tilda tasvirlang. Masalan:

a chatbot that explains chemistry like a friendly pirate

Brewmaster maqsadni aniq bo‘lguncha savollar beradi. Keyin u qurilmalarni baholaydi, bazaviy modelni tavsiya qiladi, litsenziya talablarini muhokama qiladi va mahalliy yoki ijaraga olingan hisoblash resurslari ma’qul ekanini aniqlaydi.

Trening ish jarayonini bajaring

1. Maqsadni belgilang

Modelning kutilayotgan xatti-harakati, auditoriyasi, mavzusi, chiqish uslubi yoki tasvir konsepsiyasini tushuntiring. Aniq maqsadlar brewmaster’ga mos ma’lumotlar va munosib trening maqsadini tanlashga yordam beradi.

2. Hisoblash resurslarini tanlang

Homebrew mahalliy qurilmalarni aniqlaydi. Agar mos NVIDIA GPU mavjud bo‘lmasa, u mos GPU’ni tavsiya qilishi va Runpod hamda Vast.ai uchun taxminiy narxlarni ko‘rsatishi mumkin. U sizning nomingizdan hisob yaratmaydi yoki pul sarflamaydi.

Mashinani ijaraga olganingizdan so‘ng, provayder taqdim etgan SSH buyrug‘ini boshqariladigan sessiyaga joylashtiring. Shundan keyin Homebrew uskunani tekshirishi, muhitni tayyorlashi, ma’lumotlarni yuklashi, o‘qitishni boshlashi va natijalarni qaytarishi mumkin.

To‘xtatilgan bulut instansiyalari saqlash uchun haq olishda davom etishi mumkin. Loyiha tugagach, ijaraga olingan resurslarni o‘chirib tashlang.

3. Asosiy modelni tanlang

brewmaster maqsad, mavjud xotira, rejalashtirilgan o‘qitish usuli va litsenziya talablariga asoslanib model tavsiya qiladi. Shuningdek, cheklangan modeldan foydalanish imkoni mavjudligini ham tekshiradi.

Qo‘llab-quvvatlanadigan modellarni o‘zingiz ko‘rish uchun quyidagilarni bajaring:

homebrew models
homebrew models --modality text --all
homebrew models --modality image --all

4. Ma’lumotlarni tayyorlang

O‘qitish ma’lumotlari Hugging Face, mahalliy fayllar, brewmaster yordamida yozilgan misollar yoki ixtiyoriy sintetik generatsiyadan olinishi mumkin. Homebrew Hugging Face ma’lumotlar to‘plamlarini avval yuklab olmasdan qidirishi va oldindan ko‘rsatishi mumkin.

Sintetik ma’lumot generatsiyasi ixtiyoriy. U qisqacha topshiriqdan suhbatlar yaratishi, mavjud ma’lumotlar to‘plamini so‘ralgan uslubga qayta yozishi yoki DPO uchun afzallik juftliklarini hosil qilishi mumkin. Ish paketlar tugashi bilan saqlanadi, shuning uchun generatsiya jarayonini bekor qilish tugallangan paketlarni yo‘qotmaydi.

clean_dataset operatsiyasi bo‘sh, takroriy yoki buzilgan yozuvlarni olib tashlaydi va zaxira nusxa yaratadi. Qayta ishlangan yozuvlarni diqqat bilan ko‘rib chiqing va ular kutilgan xatti-harakatni o‘rgatayotganiga ishonch hosil qiling.

5. O‘qitish retseptini yarating

Homebrew’ning propose_training_config operatsiyasi qo‘llab-quvvatlanadigan model yo‘riqnomalaridan giperparametrlarni tanlaydi va vazifani mavjud GPU imkoniyatlariga moslaydi. O‘qitish boshlanishidan oldin Homebrew xotira sarfi, davomiylik va xarajatni hisoblaydi.

6. O‘qitishni ishga tushiring va kuzating

O‘qitish GPU joylashgan mashinada ajratilgan jarayon sifatida ishlaydi. Mahalliy terminalni yopish vazifani to‘xtatmaydi. Suhbatni davom ettirish uchun loyiha jildiga qayting va homebrew buyrug‘ini ishga tushiring.

Foydali kuzatuv buyruqlari:

homebrew status
homebrew status JOB_ID

Interaktiv sessiya ichida quyidagilardan foydalaning:

/status
/jobs
/watch

Homebrew jarayonni kuzatadi, yo‘qotish grafigi va taxminiy tugash vaqtini ko‘rsatadi hamda xatolik yuz berganda oddiy tilda tushuntirish beradi.

7. Modelni sinab ko‘ring

O‘qitishdan so‘ng nozik sozlangan modelda so‘rovlarni sinab ko‘ring va uning javoblarini asosiy model javoblari bilan taqqoslang. Bu yangi model so‘ralgan uslub yoki xatti-harakatni o‘rgangan-o‘rganmaganini, shu bilan birga umumiy javob sifatiga zarar yetkazmaganini aniqlashga yordam beradi.

8. Eksport qiling va ulashing

Homebrew natijani adapter yoki birlashtirilgan model sifatida paketlashi mumkin. Shuningdek, u o‘qitish rejimi, ma’lumotlar, litsenziyalar, mualliflik hissalari va tegishli misollarni qamrab oluvchi model kartasini yaratadi. Hugging Face’ga yuklashlar sukut bo‘yicha maxfiy bo‘ladi.

Litsenziya tekshiruvlari Llama nomlash talablari, Gemma shartlari hamda notijoriy ma’lumotlar to‘plami yoki model bildirishnomalari kabi jihatlarni qamrab oladi.

Ilg‘or matn o‘qitish: CPT, SFT va DPO

CPT’dan keyin SFT’dan foydalaning

Model avval xom domen yoki til ma’lumotlariga duch kelishi kerak bo‘lsa, CPT’ni tanlang. Suhbatga oid xatti-harakatni o‘rgatish uchun undan keyin SFT’ni bajaring. Har bir keyingi vazifa avvalgi bosqichga init_from orqali murojaat qiladi.

Asosiy model -> xom matnda CPT -> suhbatlarda SFT

DPO yordamida afzalliklarni takomillashtiring

SFT’dan so‘ng DPO ohang, tuzilma yoki javob uslubi kabi xususiyatlar bo‘yicha afzalliklarni aniqlashtirishi mumkin. Afzallik juftliklari Hugging Face, sintetik generatsiya yoki yangi o‘qitilgan modelning o‘zidan olinishi mumkin.

Homebrew generate_candidates yordamida har bir so‘rov uchun ikkita nomzod javob yaratishi mumkin. Terminalda review_candidates orqali yaxshiroq javobni tanlashingiz yoki boshqaruvchi sun’iy intellektdan nomzodlarni mezonlar asosida baholashni so‘rab, keyin uning qarorlarini tanlab tekshirishingiz mumkin.

Asosiy model -> SFT -> nomzod juftliklarini yaratish -> afzalliklarni ko‘rib chiqish -> DPO

DPO’ning mos yozuv ehtimollari bosqichni boshlovchi modeldan bir marta hisoblanadi, shuning uchun ikkinchi modelni GPU xotirasida saqlab turish shart emas. Bu LoRA va to‘liq nozik sozlashning ikkalasiga ham tegishli.

Rasm LoRA’sini vizual kuzating

Qwen-Image 2.1 LoRA vazifalari nol bosqichida asosiy model ko‘rinishini va har bir sozlangan nazorat nuqtasida yangi ko‘rinishlar to‘plamini yaratishi mumkin. So‘rovlar va tasodifiy urug‘lar o‘zgarmaydi, bu esa nazorat nuqtalarini mazmunli taqqoslash imkonini beradi.

Yuklab olingan ko‘rinishlar quyidagi jildda saqlanadi:

runs/<job>/samples/step_NNNNNN/

Ko‘rinish so‘rovlariga adapterning faollashtiruvchi so‘zini kiriting. Agar avvalgi nazorat nuqtasi yakuniy nuqtadan yaxshiroq ko‘rinsa, brewmaster’dan o‘sha nazorat nuqtasini paketlashni so‘rang.

Yonma-yon brauzer interfeysi uchun quyidagini kiriting:

/gallery

Galereya mahalliy kompyuterda tokenli 127.0.0.1 manzilida ishlaydi va kompyuterdan tashqaridan foydalanib bo‘lmaydi. Qatorlar nazorat nuqtalarini, ustunlar esa ko‘rinish so‘rovlarini bildiradi. Galereya o‘qitish davomida yangilanadi, kattalashtirilgan rasmlarni qo‘llab-quvvatlaydi, strelka tugmalari yordamida nazorat nuqtalari bo‘ylab harakatlanish imkonini beradi va natijani asosiy model bilan taqqoslash uchun C tugmasidan foydalanadi.

ETF ma’lumotlarini tushuning

Homebrew Empero Trace Format yoki ETF’dan yagona JSON Lines formati sifatida foydalanadi. ETF suhbatlar, tizim so‘rovlari, vosita sxemalari va chaqiruvlari, mulohaza yuritish, qidiruv hujjatlari, afzallik juftliklari, xom matn, yakunlashlar va rasmlarni ifodalashi mumkin.

Fayllarni tekshirish va boshqarish uchun ETF buyruqlar guruhidan foydalaning:

homebrew etf validate dataset.jsonl
homebrew etf stats dataset.jsonl
homebrew etf convert
homebrew etf schema

To‘liq tuzilma bilan tanishish uchun loyihaning ETF hujjatlarini ko‘ring.

Foydali buyruqlar va sessiya boshqaruvlari

• homebrew: Joriy loyihani boshlash yoki davom ettirish.
• homebrew new NAME: Loyiha yaratish.
• homebrew setup: Yo‘l-yo‘riq beruvchi AIni tanlash yoki o‘zgartirish.
• homebrew doctor: O‘rnatish, AI provayderi, Hugging Face tizimiga kirish va qurilmalarni tekshirish.
• homebrew hardware: Mahalliy yoki masofaviy qurilmalar hisobotini ko‘rsatish.
• homebrew models: Qo‘llab-quvvatlanadigan bazaviy modellar ro‘yxatini ko‘rsatish.
• homebrew status JOB: O‘qitish vazifalarini tekshirish.

Seans ichida /level tushuntirish darajasini o‘zgartiradi, /usage foydalanish ma’lumotlarini ko‘rsatadi, /thinking full brewmasterning ko‘rinadigan fikrlash tafsilotlarini kengaytiradi, /thinking off ularni yashiradi, /quit esa seansdan chiqadi.

Kengaytirilgan sozlash bo‘yicha maslahatlar

Homebrew’ni imkoniyati cheklangan terminallarga moslashtirish

Homebrew soddalashtirilgan terminal interfeyslari uchun muhit o‘zgaruvchilarini taqdim etadi:

HOMEBREW_AI_PLAIN_INPUT=1 homebrew
HOMEBREW_AI_SIMPLE_PROMPTS=1 homebrew
HOMEBREW_AI_THINKING=off homebrew

HOMEBREW_AI_PLAIN_INPUT ramkali kiritish panelini oddiy taklif bilan almashtiradi. HOMEBREW_AI_SIMPLE_PROMPTS strelka tugmalari menyulari o‘rniga raqamlangan variantlardan foydalanadi. HOMEBREW_AI_THINKING on, full yoki off qiymatlarini qabul qiladi.

Sintetik ma’lumotlar parallelligini boshqarish

Sintetik ma’lumot yaratish bir va o‘n olti orasida parallel ishchi jarayonlarni qo‘llab-quvvatlaydi. Masalan:

HOMEBREW_AI_SYNTH_WORKERS=4 homebrew

Provayderingizning so‘rovlar tezligi cheklovlari va hisob cheklovlariga mos keladigan qiymatni tanlang.

Loyiha fayllarini ko‘rib chiqish

Odatdagi loyiha quyidagilarni o‘z ichiga oladi:

my-project/
  homebrew.yaml
  data/
  data/_sets/<name>/
  runs/<job_id>/
  .homebrew/

• homebrew.yaml maqsad, model, hisoblash resurslari, ma’lumotlar to‘plamlari, vazifalar va eksportlar kabi qarorlar hamda holatni saqlaydi.
• data/ manbalar, litsenziyalar va moslashtirishlarni tavsiflovchi ETF ma’lumotlar to‘plamlari hamda manifestlarni o‘z ichiga oladi.
• data/_sets/<name>/ tuzilgan o‘qitish va baholash to‘plamlarini o‘z ichiga oladi.
• runs/<job_id>/ vazifa konfiguratsiyasi, nusxalangan ma’lumotlar, holat, ko‘rsatkichlar, jurnallar va yakuniy artefaktlarni saqlaydi.
• .homebrew/ seansni davom ettirish uchun foydalaniladigan suhbat tarixini o‘z ichiga oladi.

Foydalanuvchi sozlamalari ~/.config/homebrew-ai/ ichida saqlanadi. Hisob ma’lumotlari 600 rejimidagi credentials.yaml faylida saqlanadi. Qo‘shimcha model profillarini kiritilgan profillardagi kabi sxemadan foydalanib ~/.config/homebrew-ai/profiles/ ichiga joylashtirish mumkin.

Amaliy tavsiyalar

1. Tor doiradagi maqsaddan boshlang. Aniq xulq-atvor yoki vizual konsepsiyani baholash umumiy maqsadga qaraganda osonroq.
2. Yakuniy o‘qitish yozuvlarini oldindan ko‘rib chiqing. Tozalash va uslubiy qayta yozish model ko‘radigan ma’lumotni o‘zgartirishi mumkin, shuning uchun o‘qitishdan oldin namunaviy misollarni tekshiring.
3. Xulq-atvor o‘zgarishlari uchun SFTdan boshlang. Murakkabroq zanjirlardan faqat loyihaga haqiqatan ham sohaga oid oldindan o‘qitish yoki afzalliklarni optimallashtirish kerak bo‘lganda foydalaning.
4. Bazaviy model bilan taqqoslang. Yonma-yon testlar o‘qitish foydali yaxshilanish yaratgan- yaratmaganini aniqlashni osonlashtiradi.
5. Nashr qilishdan oldin litsenziyalarni tekshiring. Foydalanilgan bazaviy modellar va ma’lumotlar to‘plamlari litsenziyalariga rioya qilish sharti bilan chiqaringiz sizga tegishli.
6. Foydali nazorat nuqtalarini saqlang. Ayniqsa tasvirlar uchun LoRA o‘qitishida vizual jihatdan eng kuchli nazorat nuqtasi yakuniy nuqta bo‘lmasligi mumkin.
7. Ijara asosidagi infratuzilmani to‘xtating. Natijalarni yuklab olib, tekshirganingizdan so‘ng bulut resurslarini to‘xtating va yo‘q qiling.

Xulosa

Homebrew modelni nozik sozlashni ma’lumotlar, xarajatlar, o‘rnatish va nashr ustidan nazoratni saqlagan holda yo‘naltirilgan, suhbatga asoslangan jarayonga aylantiradi. U oddiy SFT loyihalarini, shuningdek CPT, SFT va DPO rejimlarining zanjirli kombinatsiyalarini hamda nazorat nuqtalariga asoslangan Qwen-Image LoRA o‘qitilishini qo‘llab-quvvatlaydi. Avval buyruq qatori vositasini o‘rnating, imkoniyatli yo‘l-yo‘riqchini tanlang, aniq maqsadni bayon qiling va brewmaster tasdiqlangan har bir qadam bo‘yicha yo‘l ko‘rsatsin.

Manba kodi va joriy hujjatlar uchun Homebrew GitHub repozitoriyiga tashrif buyuring. Homebrew o‘z litsenziyasidan foydalanadi: repozitoriyda ko‘rsatilgan daromad chegarasigacha jismoniy shaxslar va tashkilotlarga MIT uslubidagi shartlar qo‘llanadi, yirikroq tashkilotlar esa tijoriy litsenziya olishi kerak.